为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦...为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。展开更多
为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方...为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方法。首先,利用多变量相空间重构(multivariate phase space reconstruction,MPSR)对OLTC切换时的多通道振动信号进行高维重构,然后基于Bayes估计与奇异值分解提取高维融合相空间相点的特征指标,据此建立以轮廓域图(contourmap,CM)为决策判据的改进SVDD识别模型,用于OLTC机械故障的有效诊断。对某OLTC模型正常与典型机械故障下切换时振动信号的分析结果表明:基于Bayes估计的OLTC振动信号高维相空间融合方法能获取更为完整的OLTC机械状态信息。相对于现有故障诊断方法,所提出的CM-SVDD诊断模型具有更优的识别精度和较高的计算效率。研究成果可为基于振动分析法的OLTC机械状态诊断技术提供重要依据。展开更多
文摘为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。
文摘为进一步提高变压器有载分接开关(on-loadtap changer,OLTC)机械故障的识别精度,从OLTC振动信号的混沌动力学特性出发,提出基于Bayes估计相空间融合与改进支持向量数据描述(support vector data description,SVDD)的OLTC机械故障诊断方法。首先,利用多变量相空间重构(multivariate phase space reconstruction,MPSR)对OLTC切换时的多通道振动信号进行高维重构,然后基于Bayes估计与奇异值分解提取高维融合相空间相点的特征指标,据此建立以轮廓域图(contourmap,CM)为决策判据的改进SVDD识别模型,用于OLTC机械故障的有效诊断。对某OLTC模型正常与典型机械故障下切换时振动信号的分析结果表明:基于Bayes估计的OLTC振动信号高维相空间融合方法能获取更为完整的OLTC机械状态信息。相对于现有故障诊断方法,所提出的CM-SVDD诊断模型具有更优的识别精度和较高的计算效率。研究成果可为基于振动分析法的OLTC机械状态诊断技术提供重要依据。
